Real time fault detection in photovoltaic (PV) systems by one dimensional convolutional neural network (CNN)
Fotovoltaik (PV) sistemlerde anlık hata tespitinin belirlemesinde bir boyutlu konvolüsiyonel sinir ağı (CNN) kullanımı
- Tez No: 924737
- Danışmanlar: PROF. DR. LEVENT EREN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Şebekeye Bağlı PV Sistemler, 1D CNN (1 Boyutlu Konvolüsyonel Sinir Ağı), Arıza Tespiti, Grid-Connected PV Systems, 1D CNN, Fault Detection
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İzmir Ekonomi Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 87
Özet
Bu çalışmada, şebekeye bağlı fotovoltaik (PV) sistemlerde 1D CNN modeli kullanılarak arıza tespiti belirlenmesi sağlanmıştır. Artan enerji ihtiyacı ve yenilenebilir enerji kaynaklarına olan ilginin bir sonucu olarak, PV sistemlerin güvenilirliği ve verimliliği kritik önem taşımaktadır. PV sistemlerde arızaların erken tespiti, enerji üretiminde sürekliliği sağlamak, enerji kayıplarını önlemek ve bakım maliyetlerini azaltmak açısından büyük bir öneme sahiptir. 1D CNN modeli, doğruluk, üzerinden değerlendirilmiştir. Elde edilen sonuçlar, modelin SVM ve KNN gibi geleneksel yöntemlere kıyasla daha yüksek doğruluk oranları sağladığını ortaya koymuştur. Bu da modelin PV sistemlerde arıza tespiti için güçlü bir alternatif olduğunu göstermektedir. Çalışmada, GPVS-Arızaveri seti kullanılarak PV sistemlerdeki Ipv, Vpv, Vdc, ia, ib, ic, va, vb, vc, Iabc, If, Vabc ve Vf gibi kritik değişkenler incelenmiştir. Bu değişkenler üzerinden grafiksel analizler yapılmış, arızaların neden olduğu sapmalar ve düzensizlikler tespit edilmiştir. Arıza tespiti ve sınıflandırma süreci üç ana adımdan oluşmaktadır. İlk olarak, veriler üzerinde yapılan analizlerle F1, F2, F3 ve F4 dosyalarındaki arıza belirtileri açıkça gözlemlenmiştir. Ardından, tespit edilen arızalar etiketlenerek sınıflandırma için uygun hale getirilmiştir.
Özet (Çeviri)
In this study, fault detection in grid-connected photovoltaic (PV) systems was achieved using a one-dimensional convolutional neural network (1D CNN) model. The primary aim of this study is to develop a method that accurately and promptly detects and classifies faults that may occur in grid-connected PV systems. With the increasing demand for energy and growing interest in renewable energy sources, the reliability and efficiency of PV systems have become critically important. Early detection of faults in PV systems is vital for ensuring continuity in energy production, preventing energy losses, and reducing maintenance costs. The performance of the 1D CNN model was evaluated based on its accuracy. The results revealed that the model achieved higher accuracy rates compared to traditional methods like Support Vector Machines (SVM) and K-Nearest Neighbors (KNN). This demonstrates that the 1D CNN model is a robust alternative for fault detection in PV systems The GPVS-Fault dataset was used in the study, which analyzed the critical variables in PV systems such as Ipv, Vpv, Vdc, ia, ib, ic, va, vb, vc, Iabc, If, Vabc and Vf. The graphical analysis of these variables highlighted the deviations and irregularities caused by the faults. The fault detection and classification process consisted of three main steps. First, through data analysis, fault indicators were clearly observed in the F1, F2, F3 and F4 files. Then, the detected faults were labeled and prepared for classification.
Benzer Tezler
- Şebeke Bağlantılı Fotovoltaik (PV) Sistemlerin Mevcut Elektrik Şebekesi ile Entegrasyonu ve Güç Sistemine Etkileri
Integration of Grid Connected Photovoltaic (PV) Systems with Current Electric Network and Effects on Power System
ALPER YILMAZ
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiBursa Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKAY BAYRAK
- Optimizing photovoltaic system diagnostics: integrating machine learning and DBFLA for advanced fault detection and classification
Fotovoltaik sistem tanılarının optimizasyonu: gelişmiş arıza tespiti ve sınıflandırma için makine öğrenimini ve DBFLA'yı entegre etme
OMAR MOHAMMED NSAIF AL-QARAGHULI
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAHİ ABDU IBRAHIM
- A new model for fault identification approach in power transmission lines
Enerji nakil hatlarında arıza tespit yaklaşımında yeni bir model
MUHAMED G. MEHMUD AL SULTAN
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSA AVCI
- Low cost photovoltaic monitoring system based on lorawan network
Lorawan ağına dayalı düşük maliyetli fotovoltaik izleme sistemi
BILAL HASHIM HAMEED AL-DARRAJI
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEFER KURNAZ
- Fotovoltaik sistemlerde akıllı arıza tespitinde kesirli türevlerin kullanılması
Using fractional derivatives for intelligent fault detection in photovoltaic systems
MÜCAHİD CANDAN
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiGüneş Enerjisi Ana Bilim Dalı
DOÇ. DR. METE ÇUBUKÇU